초록
대규모 3차원 포인트 클라우드에 대한 팬오틱 세그멘테이션을 효율적으로 수행하기 위한 새로운 방법을 제안한다. 본 연구에서는 이 문제를 확장 가능한 그래프 클러스터링 문제로 재정의함으로써, 학습 중에 자원을 집중적으로 소모하는 인스턴스 매칭 단계를 제거할 수 있다. 또한 본 방법은 슈퍼포인트(superspoint) 패러다임에 쉽게 적응 가능하여, 더욱 높은 효율성을 달성할 수 있다. 이를 통해 본 모델은 수백만 개의 포인트와 수천 개의 객체를 포함하는 장면을 단일 추론 내에서 처리할 수 있다. 제안한 방법인 SuperCluster는 두 가지 실내 스캔 데이터셋에 대해 새로운 최고 성능을 달성하였다. S3DIS Area~5에서는 50.1 PQ (+7.8), ScanNetV2에서는 58.7 PQ (+25.2)의 성능을 기록하였다. 또한 KITTI-360과 DALES 두 개의 대규모 모바일 맵핑 벤치마크에서 처음으로 최고 성능을 기록하였다. 본 모델은 단지 209,000개의 파라미터만을 사용하여, 경쟁 모델 중 가장 우수한 것보다 30배 이상 작고, 학습 속도는 최대 15배 빠르다. 코드 및 사전 학습된 모델은 https://github.com/drprojects/superpoint_transformer에서 공개되어 있다.